Makine öğrenmesi nedir? Makine öğrenmesi örnekleri nelerdir?
Makine öğrenmesi nedir?
Makine öğrenmesi, sistemlerin açık bir şekilde programlanmadan, bir önceki deneyimlerinden otomatik olarak öğrenme ve geliştirme yeteneği sağlayan bir yapay zeka uygulamasıdır.
Deneyimlediği uygulamalar ile gelecekte, karşılaştığı bu önceden deneyimlemiş olduğu uygulamalara benzer ya da paralel olan yeni uygulamaları en az insan müdahalesi olacak şekilde kararlar alarak gerçekleştiren bir teknolojidir.
Kafanızdaki karışıklığı gidermek için bir örnek vermeye çalışalım. Herhangi bir mühendislik fakültesinde okuyan bir öğrenci olduğunuzu düşünün. Üniversitede size verilen eğitimle teorik olarak ileride ne yapmanız gerektiğini çok iyi biliyorsunuz. Daha sonra stajınızı yaptınız ve yeni bir işe girdiniz. Üniversitede teorik olarak aldığınız bilgileri uygulamaları olarak gerçekleştirerek işinizi yapmaya, aynı zamanda öğrenmeye ve karşılaştığınız sorunları çözmeye başladınız. Bu süreçleri geçirdikten sonra artık daha önce karşılaşmadığınız çok farklı bir sorunla karşılaştığınızda, önceden öğrenmiş olduğunuz bilgiler doğrultusunda bu sorunu nasıl çözebileceğinize dair bir fikriniz oluşacak ve bu sorunu yeni oluşan fikirle çözmeye çalışacaksınız ve çözebileceksiniz. Makine öğrenmesinin altındaki ana fikir de işte budur.
Denetimli öğrenme: Geçmişte öğrenilen bilgileri gelecekteki olayları tahmin etmek için, önceden öğrendiklerini kategorize ederek ve etiketleyerek, bu etiketli verileri yeni verilere uygulayabilir. Eğer sistem iyi bir şekilde eğitilirse, gelecekte yapacağı tahminler daha tutarlı olacaktır.
Denetimsiz öğrenme: Denetimli öğrenmedeki gibi bilgileri kategorize etmez, sınıflandırmaz. Verilerdeki gizli kalıpları bulur. Etiketli veriler olmadan, sisteme girilen veri kümelerinden çıkarım yapmak için kullanır. Daha önceden sınıflandırma yapılmadığı için sistem veri kümelerinden yararlanarak sınıflandırma yapabilir.
Yarı Denetimli öğrenme: Denetimli öğrenme ile denetimsiz öğrenme arasında yer alıyor denebilir. Denetimli öğrenme ile aynı uygulamalar için kullanılır. Çok miktardaki etiketlenmemiş büyük miktardaki veri ile etiketlenmiş az miktardaki veri ortak kullanılır.
Makine öğrenmesi kullanım alanları ve örnekleri
- Spam mail saptama: En çok aşina olduğumuz uygulama budur. Gelen mailleri spam ve spam olmayan diye belirleyin. Daha sonrasında bu maillere benzer mailler geldiğinde makine öğrenmesi ile sistem spam olarak gelen mailleri spam klasörüne, spam olmayanlar gelen kutusuna yönlendirecektir.
- Yüz tanıma: Bir sistem içindeki milyonlarca fotoğraftan birine, bir kişiyi tanımlarsanız. Daha sonraki uygulamalarda bu fotoğraftaki yüzü tanıyarak doğru kişiyi atayabilecektir. Aslında buna aşinayız. Facebook’ta arkadaşınızla çekildiğiniz bir fotoğrafı etiketlerken, arkadaşınızın yüzüne tıkladığınızda Facebook direk olarak arkadaşınızı getirecektir. Facebook bu tahminleri %98 doğrulukta yapmaktadır.
- Kredi kartı sahtekarlık tespiti: Kredi kartı sahiplerinin günlük yaptığı aktiviteler, uygulamalar, bu uygulamaları yaptığı platformlar(bilgisayar, akıllı telefon gibi) makine öğrenmesi sayesinde günü gününe veri olarak saklanırsa, daha sonraki şüpheli bir işlem sırasında bunu saptayabilir ve bu sahtekarlığı önüne geçilebilir.
- Rakam tanıma: Rakamlar sistemlere tanıtıldığını düşünün, bir posta firması tarafından kullanılacak olursa, adreslerin posta kodları ne kadar komplike olursa olsun sistem tarafından tanınabilir ve postalar sistemdeki eşleşen adreslere otomatik olarak gönderilebilir.
- Ses tanıma: Sisteme sesinizi tanıtacak olursanız, sistem bu sesinizi algılayarak daha sonraki başka isteklerinizden sesinizi sistemde eşleştirecek ve sizi algılayarak yeni isteğinizi yerine getirecektir. Eğer başkası kullanmaya kalkarsa onu eşleştiremediği için tepki vermeyecektir. Buna da aşinayız. Iphone cihazlarındaki SİRİ buna örnek olarak gösterilebilir.
- Ürün önerileri: Müşterilerin alışveriş alışkanlıkları sistem tarafından algılandığı zaman, bunlar değerlendirilerek, müşterinin genel olarak hangi ürünleri aldığı ya da hangi ürünleri almadığı tespit edilir ve daha sonra bu müşterinin alışveriş alışkanlıkları göz önünde bulundurularak bu müşteriye ilgilenebileceği yeni ürünler önerilebilir.
- Hastalık tanısı: Hastaların, hastalık sürecinde yaşadığı semptomlar sistemlere tanıtılırsa, daha sonra buna benzer başka hastalık teşhislerinde kullanılabilir.
- Trafik tahmini: Gündelik olarak alınan trafik verileri sisteme yüklenirse, sistem daha sonra oluşacak trafik bilgileri hakkında yorumlama yapabilir. Örneğin Salı günü saat 15.00’da Vatan Caddesindeki trafik yoğunluğunu öngörebilir.
- Kararter analizi: Google otomatik sayfa çevirilerinde kullanılan bir sistemdir. Yabancı dildeki kelimelerin ve harflerin karşılıkları sistemde analiz edilerek sayfa çevirileri gerçekleştirilebilir.
Yapay Zeka ve makine öğrenmesinin farkı
Makine öğrenmesi ile ilgili bilgileri yukarıda paylaştık. Önceki yazılarımızda da yapay zekanın ne olduğunu açıklamıştık. Yapay zeka ile makine öğrenmesi arasındaki farklardan bahsetmeden önce şunu söylemek gerek, makine öğrenmesi, yapay zekanın alt kümesi gibi düşünülebilir. Yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki ilişki genel olarak aşağıdaki gibi görselleştirilir.
Yapay zeka ve makine öğrenmesi arasındaki farklar şu şekilde sıralanabilir:
- Yapay zekada amaç doğruluk değil başarı şansını arttırmaktır. Makine öğrenmesi başarıyı önemsemez. Amaç doğruluğu arttırmaktır.
- Yapay zeka akıllı çalışan bir bilgisayar programıdır. Makine öğrenmesi ise makinenin veri aldığı(topladığı) ve bu veriler doğrultusunda öğrenen bir konsepttir.
- Yapay zekada amaç karmaşık problemleri çözmek için doğal zekayı simule etmektir. Makine öğrenmesindeki amaç makinenin performansını en üst düzeye çıkarmak için belirli bir görev doğrultusunda toplanan verilerden bir şeyler öğrenmektir.
- Yapay zeka karar verir. Makine öğrenmesi, sistemin toplanan verilerden yeni şeyler öğrenmesidir.
- Yapay zeka en uygun çözümü bulmak için çalışır, Makine öğrenmesi optimal olup olmamasına yönelik olarak sadece bir çözüm bulur.
- Yapay zeka, zekaya veya bilgeliğe yol açar. Makine öğrenmesi bilgiye yol açar.
Sonuç
Makine öğrenmesi görüldüğü gibi günümüzde sıkça kullanılan bir teknoloji ve gün geçtikçe kullanımı teknolojinin yükselmesiyle paralel olarak artacaktır. Fark etmesek bile aslında internette ve telefonlarımızda geçirdiğimiz sürelerde karşılaştığımız bir teknoloji. Bir çok büyük şirketin makine öğrenmesi ve daha üst boyutu yapay zeka konularındaki araştırmaları heyecan verici. Gelecekteki kullanımlarının nerelere varacağını tahmin etmek gerçekten çok zor. Gelecekte sıkça duyacağımız makine öğrenmesini elimizden geldiğince açıklamaya çalıştık ve günümüzdeki örneklerini sıraladık.
